转载: java 正则式，正则表达式，多行匹配，不以某某开头，不区分大小写... - Memory

公告

转载: java 正则式，正则表达式，多行匹配，不以某某开头，不区分大小写...

文章出处：http://topic.csdn.net/u/20080627/14/8a91b33a-f35c-4303-85b5-e0a8da462202.html

1 多行匹配
2 不以某某开头，比如不以www开头
3 不区分大小写
4 2个单元的或操作，比如 www ¦ 3w 都可以这种

火龙果回答：

1：多行匹配

在默认的情况下 . 是不能匹配行结束符的（行结束符有 6 个，具体的可以看看 Pattern 的 API DOC）
同样，可以像不匹配大小写匹配那样使用编译参数：Pattern.DOTALL

如果还得区分大小写的话，还得加上上面说到的 Pattern.CASE_INSENSITIVE 这个，举个例子：

Java代码 < type="application/x-shockwave-flash" width="14" height="15" src="http://heisetoufa.javaeye.com/javascripts/syntaxhighlighter/clipboard_new.swf" pluginspage="http://www.macromedia.com/go/getflashplayer" allowscriptaccess="always" quality="high" flashvars="clipboard=import%20java.util.regex.Matcher%3B%0Aimport%20java.util.regex.Pattern%3Bpublic%20class%20Test%20%7B%0A%0A%20%20%20%20public%20static%20void%20main(String%5B%5D%20args)%20%7B%0A%20%20%20%20%20%20%20%20String%20str%20%3D%20%0A%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%22%3Ctable%3E%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%5Cn%22%20%2B%0A%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%22%20%20%3Ctr%3E%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%5Cn%22%20%2B%0A%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%22%20%20%20%20%3Ctd%3E%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%5Cn%22%20%2B%0A%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%22%20%20%20%20%20%20%20Hello%20World!%20%20%20%20%5Cn%22%20%2B%0A%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%22%20%20%20%20%3C%2Ftd%3E%20%20%20%20%20%20%20%20%20%20%20%20%20%20%5Cn%22%20%2B%0A%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%22%20%20%3C%2Ftr%3E%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%5Cn%22%20%2B%0A%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%22%3C%2Ftable%3E%22%3B%0A%20%20%20%20%20%20%20%20String%20regex%20%3D%20%22%3Ctd%3E(.%2B%3F)%3C%2Ftd%3E%22%3B%0A%20%20%20%20%20%20%20%20Pattern%20pattern%20%3D%20Pattern.compile(regex)%3B%0A%20%20%20%20%20%20%20%20Matcher%20matcher%20%3D%20pattern.matcher(str)%3B%0A%20%20%20%20%20%20%20%20while(matcher.find())%20%7B%0A%20%20%20%20%20%20%20%20%20%20%20%20System.out.println(matcher.group(1).trim())%3B%0A%20%20%20%20%20%20%20%20%7D%20%20%20%20%20%20%20%20%0A%20%20%20%20%7D%0A%7D%0A%0A">

import java.util.regex.Matcher;
import java.util.regex.Pattern;public class Test {
public static void main(String[] args) {
String str =
"<table> \n" +
" <tr> \n" +
" <td> \n" +
" Hello World! \n" +
" </td> \n" +
" </tr> \n" +
"</table>";
String regex = "<td>(.+?)</td>";
Pattern pattern = Pattern.compile(regex);
Matcher matcher = pattern.matcher(str);
while(matcher.find()) {
System.out.println(matcher.group(1).trim());
}
}
}

上面这个是不能从 str 抽取出东西的，因为 td 的后面带有换行符，我们只要更改一下：

Pattern pattern = Pattern.compile(regex, Pattern.DOTALL);

这样就行了，如果 td 还得不区分大小写的话，再改成：

Pattern pattern = Pattern.compile(regex, Pattern.DOTALL | Pattern.CASE_INSENSITIVE);

这样的话，td 哪怕是大写的这个表达式都能把 td 之间的字符区抽取出来。

当然和 Pattern.CASE_INSENSITIVE 一样，Pattern.DOTALL 也有内嵌标志表达式，即 (?s)
s 的意思表示 single-line 就是忽略换行符什么的，只看成单行进行处理。

这个表达式使用内嵌 (?s) 的话可以改为：

String regex = "(?s)<td>(.+?)</td>";

如果还要不区分大小写的话，再加上 i 标志：
String regex = "(?s)(?i)<td>(.+?)</td>";

但这样显得很拖沓，可以把它们合并起来：
String regex = "(?is)<td>(.+?)</td>"; // 秩序无所谓

最后需要说明一下的是，我曾看到过由于不明白 DOTALL，为了让 . 匹配行结束符，直接把表达式写成：

String regex = "<td>((.|\\s)+?)</td>";

这样做是极其危险的，由于选择结构的匹配效率问题，这样做在比较长的字符串时会造成堆栈溢出，
使程序崩溃，如果使用 DOTALL 或者 (?s) 的话就不会出现这种情况。

2：不以某某开头，比如不以www开头

public class Test {
public static void main(String[] args) {
String[] strs = {
"abc1232", "wwwadsf",
"awwwfas", "wwadfsf",
"", "ww", " ", "www"
};
String regex = "(?:(?!^www).)*";
for(String str : strs) {
System.out.printf("%-7s %s%n", str, str.matches(regex));
}
}
}

(?!X) 专业名称为 Negative Lookahead，表示字符间缝隙后面不允许出现的字符，
即匹配字符间的缝隙，如果缝隙后的字符不是 X 的话，那这个缝隙就匹配成功。

举个例子，aab 和 aac，现有表达式 aa(?!b) 这时我们能匹配到的字符串是 aac，
因为 aa 的后面的缝隙之后不允许出现字符 b，因此只有 aac 进行了匹配。

再来看个示例：

public class Test {
public static void main(String[] args) {
String str = "AQuickBrownFoxJumpsOverTheLazyDog";
String[] strs = str.split("(?<!^)(?=[A-Z])");
for(String s : strs) {
System.out.println(s);
}
}
}

根据大写字母拆分字符串。当然了，这个使用字符串进行分析同样也能进行拆分，
但是使用正则表达式来拆的话更为便捷直观一些。

在进行这种拆分时，由于在拆分后的字符数不能减少，因此只能使用零宽度的
lookaround 功能进行匹配，lookaround 包括四个，即：

(?=X) (?!X) (?<=X) (?<!X)

来看一下这个表达式：(? <!^)(?=[A-Z])

前面说到过 (?!) 表示缝隙后面不允许出现的东西，而 (? <!) 表示缝隙前不允许出现的东西。
(?=) 表示缝隙后允许出现的东西，(? <=) 表示缝隙前允许出现的东西。

这个表达式在拆分时，根据零宽度匹配缝隙进行拆分的，这个缝隙必须满足以下条件：

(? <!^) 表示缝隙不允许前不能是行开始，即缝隙不能出现在首字母的前面。
(?=[A-Z]) 表示缝隙后面允许出现 A-Z 的大写字母。

这时这个表达式就匹配了下面带有 ¦ 的缝隙：

根据 split 的功能，正则表达式处理程序就根据上面的 ¦ 将字符串给拆分开来了。

3，不区分大小写
不加任何限制的匹配是匹配分大小写的，但是正则表达式中可以进行改变，
有两种方式：参数式和内嵌式。

来看个示例：

import java.util.regex.Matcher;
import java.util.regex.Pattern;public class Test {
public static void main(String[] args) {
String str = "Book";
Pattern pattern = Pattern.compile("book");
Matcher matcher = pattern.matcher(str);
System.out.println(matcher.matches());
}
}

上面的这个表达式 book 是不能匹配字符串 Book 的，这时我们只要给定编译时的参数就可以了：

Pattern pattern = Pattern.compile("book", Pattern.CASE_INSENSITIVE);

Pattern.CASE_INSENSITIVE 这是一个 int 类型的常量，值为 2。表示表达式忽略大小写进行区配。

如果我们不采用 Pattern 和 Matcher 两个类来匹配的话，只是使用 String 的 matches 方法的话，
我们就不能指定表达式的编译参数了，这时就需要采用内嵌标志表达式了，与 Pattern.CASE_INSENSITIVE
对应的内嵌标志表达式是 (?i)，它有四种形式：
1，(?i)
2，(?-i)
3，(?i:X)
4，(?-i:X)
不带有 - 的是开标志，带有 - 的是关标志。

把上面的代码改成这样：

public class Test {
public static void main(String[] args) {
String str = "Book";
String regex = "(?i)book";
System.out.println(str.matches(regex));
}
}

我们就达到了同样的效果，当然这样并不是最好的，因为字符串中只有 B 是大写的，
我们没有必要把所有的字符都进行不区分大小写匹配，我们可以在打开标志，用 (?i) 的
第二种形式马上关掉它：
String regex = "(?i)b(?-i)ook";

这样的话，只有 b 是区分大小写了，而 (?-i) 后面的还是得区分大小写匹配的。这样写
可能看上去很不顺眼，我们还能使用第 3 种形式直接指定某些字符是不区分大小写的。
String regex = "(?i:b)ook";

这样的表达式与上面的那个在语义上是相同的。就效率上肯定是优于一下子开，一下子关的。

可见内嵌标志表达式要比指定编译参数的功能强大许多。

使用建议：如果能确定某些字符的大小写时，尽量使用已确定的字符，对于不确定的可以采用
(?i:X) 的方式指定。因此打开不区分大小写开关时，对匹配的性能是有一定影响的。

思考一下：String regex = "(?i)b(?-i:oo)k"; 这个表达式的意思？

另外：第 1 和第 4，我没看明白需要了解什么，请在下面的楼层中具体地说明一下。

4：2个单元的或操作

¦ 称为多选结构，用于匹配 ¦ 之中的任何一个，拿你的例子来说明：

Java代码 < type="application/x-shockwave-flash" width="14" height="15" src="http://heisetoufa.javaeye.com/javascripts/syntaxhighlighter/clipboard_new.swf" pluginspage="http://www.macromedia.com/go/getflashplayer" allowscriptaccess="always" quality="high" flashvars="clipboard=import%20java.util.regex.Matcher%3B%0Aimport%20java.util.regex.Pattern%3Bpublic%20class%20Test%20%7B%0A%0A%20%20%20%20public%20static%20void%20main(String%5B%5D%20args)%20%7B%0A%20%20%20%20%20%20%20%20String%20str%20%3D%20%0A%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%22%3Cimg%20src%3D%5C%22http%3A%2F%2Fwww.google.com%2F1.gif%5C%22%2F%3E%5Cn%22%20%2B%0A%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%22%3Cimg%20src%3D%5C%22http%3A%2F%2F3w.google.com%2F1.gif%5C%22%2F%3E%5Cn%22%20%2B%0A%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%20%22%3Cimg%20src%3D%5C%22http%3A%2F%2Fabc.baidu.com%2F1.gif%5C%22%2F%3E%22%3B%0A%20%20%20%20%20%20%20%20String%20regex%20%3D%20%22%3Cimg%5C%5Cssrc%3D%5C%22http%3A%2F%2F(%3F%3Aww%7C3)w.google.com%2F1.gif%5C%22%2F%3E%22%3B%0A%20%20%20%20%20%20%20%20Pattern%20pattern%20%3D%20Pattern.compile(regex)%3B%0A%20%20%20%20%20%20%20%20Matcher%20matcher%20%3D%20pattern.matcher(str)%3B%0A%20%20%20%20%20%20%20%20while(matcher.find())%20%7B%0A%20%20%20%20%20%20%20%20%20%20%20%20System.out.println(matcher.group())%3B%0A%20%20%20%20%20%20%20%20%7D%20%20%20%20%20%20%20%20%0A%20%20%20%20%7D%0A%7D%0A%0A">

import java.util.regex.Matcher;
import java.util.regex.Pattern;public class Test {
public static void main(String[] args) {
String str =
"<img src=\"http://www.google.com/1.gif\"/>\n" +
"<img src=\"http://3w.google.com/1.gif\"/>\n" +
"<img src=\"http://abc.baidu.com/1.gif\"/>";
String regex = "<img\\ssrc=\"http://(?:ww|3)w.google.com/1.gif\"/>";
Pattern pattern = Pattern.compile(regex);
Matcher matcher = pattern.matcher(str);
while(matcher.find()) {
System.out.println(matcher.group());
}
}
}

注意到其中的 (?:ww ¦3) 在进行多选匹配时尽量找出多选中的规律，以减少多选的字符，
www 和 3w 在最后一个字符可以共用，前面的不一样。

(?: ) 的意思表示组成一组，如果没有 (?: ) 这样的话，表达式就变成了：

String regex = "<img\\ssrc=\"http://ww|3w.google.com/1.gif\"/>";

这样的语义完全变掉了， ¦ 是在一组中进行选择，由于上面的那个表达式中没有组，就把整个表
达式作为了一组，使用 ¦ 的话，就进行了整个表达式的多选结构了。这个表达式的意思是：
匹配 <img ssrc="http://ww 或者是 3w.google.com/1.gif"/>，这样的结果并不是我们所要的。

我们仅仅需要在 ww 和 3 之间进行选择，这时只要把 ww 和 3 放在一组中进行多选择就可以了，
变成 (?:ww ¦3)。

还有，在多选结构中尽量把出现频率高的放在前面，这样可以加快匹配速度。

多选结构的效率在传统型的引擎中是效率低下的，如果是单个字符的选择，比如 a $ & 之中的一个，
那就不要使用 (?:a ¦$ ¦&) 了，可以直接使用字符类 [a$&] 就可以了。

5:split分割字母和数字，简单正则缝隙

public class Test01 {
public static void main(String[] args) {
String str = "one123";
String regex = "(?<=one)(?=123)";
String[] strs = str.split(regex);
for(int i = 0; i < strs.length; i++) {
System.out.printf("strs[%d] = %s%n", i, strs[i]);
}
}
}

posted on 2011-04-21 16:27 Memory 阅读(8878) 评论(2) 编辑收藏举报

刷新页面返回顶部